在信息爆炸的移动互联网时代,人们在享受丰富网络服务的同时,也备受冗余、低效信息的困扰,推荐系统通过挖掘用户和物品的相关信息,可以为用户生成精准的个性化推荐,能够在一定程度上解决上述问题。近些年来深度学习技术的发展推动了推荐算法的快速演化,与此同时也对推荐系统的特征数据提出了更高要求。为了满足推荐算法对海量特征的需要以及数据的实时处理需求,需要使用大数据工具对数据和信息进行处理。本文基于大数据和深度学习技术,构建了推荐系统的召回排序算法并设计以电影推荐为主题的完整推荐系统。首先,召回算法使用物品和用户画像信息作为主要特征数据,设计了多路召回的策略使得召回结果更加全面。离线召回部分采用以Item2vec模型召回为主的召回方式保证召回率要求,配合标签倒排索引召回和统计召回以解决冷启动问题并增加推荐多样性。通过融合实验确定三者的最佳融合比例后,以此验证多路融合召回较单一模型在召回率、覆盖率等指标上的有效性。此外,还设计了基于用户即时行为和新热物品推荐的实时召回模块快速完成推荐。其次,排序算法的构建上使用深度学习模型充分挖掘用户的行为序列特征,将用户行为划分为长期行为和短期行为分别建模,在此基础上提出了LSIN模型。对用户长期行为利用自注意力机制抽取特征后,一方面与短期行为通过GRU单元进行序列建模,另一方面将两者通过基本注意力机制计算注意力得分,再通过MLP层拼接后预测最终的点击率。在Movie Lens和Netflix两个数据集上证明了LSIN模型相比几个主流排序模型的有效性。最后,以Movie Lens数据集作为初始数据,结合大数据处理技术、Web技术,基于上述的召回排序算法完成推荐系统的整体设计。使用Lambda架构通过离线和实时两套系统构建推荐系统的数据流框架,然后从工程设计的角度完成了数据收集、特征处理、召回集构建、召回物品排序、返回推荐结果的整个推荐业务流程,使电影推荐的业务流形成完整闭环。